Álgebra II (Segundo cuatrimestre, 2021)

Guı́a de Trabajos Prácticos No 5

[En construcción]

Cuando podemos trasladar un problema práctico al lenguaje de la matemática,

podemos, al mismo tiempo, “abstraernos” de las caracterı́sticas secundarias del
problema y, haciendo uso de fórmulas y teoremas generales, obtener resultados
precisos. De este modo la abstracción de la matemática constituye su potencia;
esta abstracción es una necesidad práctica.

A. N. Kolmogorov
 1

Preliminares y notación

En todo lo que sigue

1. h·, ·i : Rn × Rn → R designa n
p el producto interno canónico en R definido por
T
hx, yi := y x, y kxk = hx, xi designa su norma inducida.
2. h·, ·i : Rn×n × Rn×n → R designa el productopinterno canónico en Rn×n
definido por hA, Bi := tr(B T A), y kAkF := hA, Ai designa su norma
inducida, llamada la norma de Frobenius.
3. Sea A ∈ Rm×n . Obsérvese que para todo x ∈ Rn e y ∈ Rm vale que
hAx, yi = x, AT y .



Consecuentemente,
a) nul(AT ) = col(A)⊥ ;
b) col(AT ) = nul(A)⊥ ;
c) nul(A) = col(AT )⊥ ;
d ) col(A) = nul(AT )⊥ .
4. Una matriz A ∈ Rn×n es
ortogonal si AT A = AAT = I.
simétrica si A = AT .

Algunas propiedades

Caracterización de las matrices ortogonales.

Sea U ∈ Rn×n . Las siguientes afirmaciones son equivalentes:
1. U es ortogonal.
2. U T es ortogonal.
3. U es inversible y U −1 = U T .
4. U preserva el producto escalar:
hU x, U yi = hx, yi , para todo x, y ∈ Rn .
5. Si {vj : j ∈ In } es una base ortonormal de Rn , entonces {U vj : j ∈ In } tam-
bién lo es.
6. Las columnas de U constituyen una base ortonormal de Rn .
7. Las filas de U constituyen una base ortonormal de Rn .
8. Para todo x ∈ Rn , vale que kU xk = kxk (i.e., la transformación lineal
T (x) = U x es una isometrı́a.)

Caracterización de las matrices simétricas.

Sea A ∈ Rn×n . Son equivalentes:
A es simétrica.
Rn tiene una base ortonormal constituida por autovectores de A.
A es ortogonalmente equivalente a una matriz diagonal.
2

Ejercicios

1. Comprobar que las siguientes matrices U ∈ R2×2 son ortogonales

   
1 3 4 1 4 3
,
5 −4 3 5 3 −4
En cada caso caracterizar la isometrı́a T : R2 → R2 definida por T (x) = U x.

c: En otras palabras, si se trata de una rotación, describir su ángulo; si se

trata de una simetrı́a ortogonal, describir la recta con respecto a la que se realiza
la simetrı́a.

2. ! Comprobar que las siguientes matrices U ∈ R3×3 son ortogonales

     
2 −6 3 −2 6 3 2 3 −6
1 1 1
−6 −3 −2 ,  6 3 −2 , −6 −2 −3 .
7 7 7
3 −2 −6 −3 2 −6 3 −6 −2
En cada caso caracterizar la isometrı́a T : R3 → R3 definida por T (x) = U x.

c: Por ejemplo, si T es una rotación, hallar el eje y el ángulo de rotación; si

T es una simetrı́a ortogonal, describir el subespacio con respecto al que se realiza
la simetrı́a; etcétera.

π
 T
3. Hallar la matriz de rotación de ángulo 3 alrededor del eje generado por 1 1 1 .

4. Explicar por qué las siguientes matrices A ∈ Rn×n son diagonalizables ortogo-
nalmente
 
      1 0 1 0
  1 0 1 1 1 3 0 2 2
1 2 0 1 0 1
, 0 1 0 , 1 3 1 , 2 0 2 ,  ,
2 1 1 0 1 0
1 0 1 3 1 1 2 2 0
0 1 0 1
y en cada caso hallar una matriz ortogonal U y una matriz diagonal Λ tales que
A = U ΛU T .
c: ¿A ojo?

5. ! Sea A ∈ R3×3 tal que

 T  T  T
v1 = 1 1 1 , v 2 = 1 −1 0 , v3 = 0 1 −1 ,
es una base de autovectores de A asociados a los autovalores λ1 , λ2 , λ3 ∈ R, respec-
tivamente. Probar que A es simétrica si y solo si λ2 = λ3 .

6. Sea A ∈ R4×4 tal que

 T  T  T
v1 = 1 1 1 1 , v 2 = 1 1 −1 −1 , v3 = 1 −1 1 −1 ,
son autovectores asociados a los autovalores 2, −3, 5, respectivamente. Probar que
 T
A es simétrica si y solo si 1 −1 −1 1 es un autovector de A.
 3

7. !Hallar una matriz simétrica A ∈ R3×3 que posea las siguientes propiedades:
n T o
(a) σ(A) = {1, 1/4} y nul(A − I) = gen 1 1 1 .

 T  T
(b) 1 0 1 ∈ nul(A − I), 1 1 −1 ∈ nul(A − 2I) y det(A) = 12.
 T  T
(c) 1 0 0 y 2 3 4 son autovectores de A, det(A) = 18, tr(A) = 8, y
σ(A) ⊂ (0, +∞).

(d) A3 −5A2 es singular, rango(A−3I) = 1, el plano x ∈ R3 : 2x1 − x2 + 2x3 = 0
es un autoespacio de A, y σ(A) ⊂ (0, +∞).

c: ¿A es única? ¿Por qué?

8. ! Para cada una de la siguientes matrices

   
13 −2 −4 17 2 −2
1  1
A= −2 10 2 , A = 2 14 4  ,
18 18
−4 2 13 −2 4 14

 
3 k
 T
(a) hallar x ∈ R : lı́m A x = 0 0 0 ,
k→∞

 
 T k 3
(b) comprobar que −2 1 2 ∈ lı́m A x : x ∈ R y hallar todas las solu-
k→∞
 T
ciones de la ecuación lı́m Ak x = −2 1 2 .
k→∞


9. Sea  
7 1 2
1 
A= 1 7 2 .
12
2 2 10


(a) Comprobar que la sucesión de matrices Ak k∈N es convergente y hallar el limite
al que converge. ¿Qué significación geométrica tiene la matriz lı́m Ak ?
k→∞

(b) Para cada x ∈ R3 , hallar lı́m Ak x.

k→∞

(c) Hallar el conjunto  

x ∈ R3 : lı́m kAk xk = 1 ,
k→∞
y describirlo geométricamente.
4

10. En cada uno de los siguientes casos, hallar una descomposición en valores
singulares de la matriz A, determinar bases ortonormales de sus cuatro subespacios
fundamentales y sus respectivas matrices de proyección.
 
7 1
(a) A = 0 0.
5 5
 
3 2 2
(b) A = .
2 3 −2


11. Sea
 
   3 3 0
1 1 3 0 0 
A= 1
√ −1
√ 4 .
√
1 −1 0 2 0
2 2 −2 2 − 2

(a) Hallar los valores singulares de A, bases ortonormales de sus cuatro subespacios
fundamentales y sus respectivas matrices de proyección.

(b) Hallar una descomposición en valores singulares reducida de A.

12. Sean
√ √  √ √ √ 
2 3 2 6
0 − 22
 
2 0 0
2
1  √33 2 6√
U =  √0 1 0 , Σ = 0 0 , V = 0√ −√ 36  .
  
√  2  √3
2
0 2 0 0 0 3
− 2 6
2 2 3 2 6

Comprobar que A = U ΣV T es una descomposición en valores singulares de A y, a

partir de ella, hallar la seudoinversa de Moore-Penrose de A; la matriz de proyección
sobre fil(A) y la matriz de proyección sobre col(A).

13. ! En cada uno de los siguientes casos, hallar A† , la seudoinversa de Moore-

Penrose de A, y determinar la solución por cuadrados mı́nimos de norma mı́nima
de la ecuación Ax = b.
   
7 1 b1
(a) A = 0 0 y b = b2 .
5 5 b3
   
3 2 2 b
(b) A = yb= 1 .
2 3 −2 b2

14. Sea T : R2 → R3 la transformación lineal definida por T (x) = Ax con

 
1 1
A =  1 3 .
−3 1
 5

(a) Hallar entre todos los x ∈ R2 que satisfacen kxk = 1 aquellos que maximizan
kT (x)k y determinar el valor máx kT (x)k.
kxk=1

(b) Hallar entre todos los x ∈ R2 que satisfacen kxk = 1 aquellos que minimizan
kT (x)k y determinar el valor mı́n kT (x)k.
kxk=1

15. ! Hallar una matriz A ∈ Rm×n tal que

√    
(a) máx kAxk = 25 2, mı́n kAxk = 15, y 1 1 0 A= 0 0 .
kxk=1 kxk=1

   T
(b) 0 1 0 ∈ nul(A), v = 3 0 4 es un autovector de AT A tal que Av =
 1 1 T √
2 2 , y máx kAxk = 3 2.
kxk=1

c: ¿A, es única?

16. Sea T ∈ L(R2 ) la transformación definida por T (x) = Ax. En cada uno de
los siguientes casos, caracterizar
 geométricamente
y graficar la imagen por T de la
circunferencia unitaria S1 = x ∈ R2 : kxk = 1 .
 
1 1
(a) A = .
1 1
 
11 1
(b) A = .
1 11
 
2 −1
(c) A = .
2 1

c: en cada caso, ¿qué significación geométrica tienen los x ∈ S1 que maximizan

(o minimizan) kT (x)k?, ¿qué representan los valores máx kT (x)k y mı́n kT (x)k?
x∈S1 x∈S1

17. ! Sea T ∈ L(R3 , R2 ) la transformación definida por T (x) = Ax. En cada uno
de los siguientes casos, caracterizar
 geométricamente
y graficar la imagen por T de
la circunferencia unitaria S2 = x ∈ R3 : kxk = 1 .
 
1 1 1
(a) A = .
1 1 1
 
3 2 2
(b) A = .
2 3 −2

c: en cada caso, si A = U ΣV T es una descomposición en valores singulares de

A, ¿qué significación geométrica tienen las columnas de U ?, ¿qué representan los
valores singulares de A?
6

18. ! Sea T ∈ L(R3 ) la transformación definida por T (x) = Ax. En cada uno de
los siguientes casos, caracterizar
 geométricamente
y graficar la imagen por T de la
circunferencia unitaria S2 = x ∈ R3 : kxk = 1 .

√1 √1 0 5 0 1 0
   
2 2 0 0
1 √1 
(a) A = − √1 √1 0 0 3 0   √
2
0 2
2 2
0 0 1 0 0 2 − √12 0 √1
2
 
2 4 −2
(b) A =  4 10 0 .
−2 0 10
 
1 1 1
(c) A = 1 1 1.
1 1 1